在任务与运动规划中学习几何约束
机器人学
2022-01-25 v1
摘要
在任务与运动规划（TAMP）中搜索几何参数的绑定是一个具有高维决策空间的有限时域随机规划问题。机器人操作臂只能在其整个运动范围的子空间内移动，该子空间受到许多几何约束。TAMP 求解器通常需要大量探索才能为每个任务找到可行的绑定集。一次性学习这些约束，然后在同一工作空间内的不同任务间迁移它们是有利的。我们通过用可迁移原语表示约束知识，并使用基于这些原语的贝叶斯优化（BO）来指导后续任务中的绑定搜索，从而解决此问题。通过 TAMP 中的语义和几何回溯，我们构建约束原语，以可重用形式分别编码几何约束。然后，我们设计一种 BO 方法，以高效利用累积的约束来指导基于 MCTS 的绑定规划器的节点扩展。我们进一步构建了一个迁移机制，以实现 TAMP 任务间的自由知识流动。结果表明，与基线无引导规划器相比，我们的方法将绑定搜索中的昂贵探索调用减少了 43.60% 至 71.69%。
引用
@article{arxiv.2201.09612,
title = {Learning Geometric Constraints in Task and Motion Planning},
author = {Tianyu Ren and Alexander Imani Cowen-Rivers and Haitham Bou Ammar and Jan Peters},
journal= {arXiv preprint arXiv:2201.09612},
year = {2022}
}